تواجه نماذج الأساس في علم الأمراض تحديات في المتانة: المعيار الجديد PathoROB يكشف عن مخاطر النشر السريري

السياق الصناعي

مع التطور السريع للنماذج الأساسية (Foundation Models, FMs) في مجال علم الأمراض الرقمي، يتم استخدام المزيد والمزيد من نماذج الذكاء الاصطناعي لتحليل صور الشرائح الكاملة (WSI)، وأظهرت أداءً مذهلاً في مهام مثل تصنيف السرطان والتنبؤ بالمؤشرات الحيوية. ومع ذلك، تواجه هذه النماذج عقبة رئيسية عند الانتقال من البحث المختبري إلى النشر السريري: الحساسية للخصائص غير البيولوجية. تشمل هذه الخصائص الاختلافات بين المراكز مثل تحضير الأنسجة وبروتوكولات الصبغ وأجهزة المسح، وهي غير مرتبطة بالمرض نفسه، ولكن قد يتم ربطها بشكل خاطئ من قبل النموذج، مما يؤدي إلى تحيز في التشخيص.

التأثير على السوق

كشف إصدار معيار PathoROB عن نقص قوي في المتانة المنهجية للنماذج الأساسية الحالية في علم الأمراض. قامت الدراسة بتقييم 20 نموذجًا، ووجدت أن جميع النماذج تعاني من عيوب في المتانة على مستوى التمثيل والمخرجات. في المهام ذات الصلة سريريًا (مثل التنبؤ على مستوى البقع والشرائح، واسترجاع الحالات، والتجميع)، يمكن أن تؤدي التمثيلات غير المتينة إلى أخطاء تشخيصية خطيرة، مما يعيق التبني الآمن. يؤدي هذا الاكتشاف إلى تأثير مباشر على سوق الذكاء الاصطناعي في علم الأمراض:

• مطورو النماذج (مثل فرق تطوير Virchow2 وAtlas وغيرها) بحاجة إلى تضمين المتانة في عملية التحقق من النموذج، وإلا فقد يفقدون الثقة السريرية.
• المؤسسات الطبية ومختبرات التشخيص ستصبح أكثر حرصًا في اختيار ونشر أدوات التشخيص المدعومة بالذكاء الاصطناعي، وتطلب أدلة على المتانة.
• المستثمرون قد يعيدون تقييم الحواجز التقنية لشركات الذكاء الاصطناعي الناشئة في علم الأمراض، وستصبح المتانة عاملاً مميزًا رئيسيًا.

المشهد التنافسي

حاليًا، يهيمن على سوق النماذج الأساسية في علم الأمراض العديد من اللاعبين، بما في ذلك الفرق الأكاديمية والشركات (مثل Aignostics وPaige.ai وغيرها). يوفر معيار PathoROB بُعدًا جديدًا للمنافسة:

• المستفيدون: النماذج التي تجتاز اختبارات المتانة أو تتبنى تقنيات ما بعد المعالجة لتعزيز المتانة ستحصل على ميزة تنافسية. تشير الدراسات إلى أن النماذج الأكثر متانة، والمواءمة بين الرؤية واللغة، وطرق ما بعد المعالجة يمكن أن تقلل المخاطر جزئيًا، لكنها لم تحل المشكلة بشكل كامل.
• المضغوطون: النماذج التي تسعى فقط إلى أداء المهام النهائية وتهمل المتانة قد تواجه عقبات في النشر السريري، حتى لو كانت دقتها عالية جدًا.
• المتابعون المحتملون: من المتوقع أن تواجه النماذج الأساسية في المجالات الطبية الحيوية الأخرى (مثل الأشعة وعلم الجينوم) مراجعة مماثلة للمتانة، مما يدفع إلى تطوير معايير متعددة المجالات.

الآثار المؤسسية

• بالنسبة للشركات التي تخطط لاعتماد الذكاء الاصطناعي في علم الأمراض (المستشفيات ومراكز التشخيص المستقلة وشركات الأدوية)، فإن الدروس المستفادة من هذه الدراسة واضحة:- قبل الشراء أو التعاون، يجب طلب تقرير تقييم المتانة من مزود النموذج يستهدف البيئة السريرية المستهدفة، بدلاً من التركيز فقط على درجات المعايير العامة.
• يجب أن تشمل التحقق الداخلي بيانات من مراكز متعددة لاختبار حساسية النموذج للتباين التقني.
• بعد النشر، يجب إنشاء آلية مراقبة مستمرة، لأن المراكز الجديدة أو الأجهزة الجديدة أو البروتوكولات الجديدة قد تؤدي إلى أخطاء غير متوقعة.